异形纤维的混纺比是检验纺织品产品的一项重要质量指标,一直以来受到检测工作者们的重视。传统人工或者半人工的异形纤维识别检测方法耗时费力、精度低、数据稳定性差。计算机图像处理技术在异形纤维检测中的应用,提高了异形纤维的识别率和准确率。但是,计算机技术对异形纤维进行自动化识别依然有相当大的难度,对于这一领域国内外的研究还比较少,还存在很多亟待解决的问题。异形纤维成分识别过程集图像采集、图像预处理、图像分割、特征提取和模式识别为一体,以实现异形纤维的自动识别为目的。本课题结合了上海市出入境检验检疫局的纺织品纤维检测需求,重点研究各种异形纤维显微图像的计算机自动识别。本文主要针对异形粘连纤维的分割进行研究。由于异形纤维切片工艺和显微镜设备等因素的影响,采集到的样本图像存在两个甚至多个异形纤维粘连在一起的情况。异形纤维图像的分割尤其异形粘连纤维图像的分割是整个异形纤维自动识别过程中极其重要的一个环节。将异形粘连纤维予以合理的分割,且得到尽量完整、有意义的单个异形纤维,是后续特征提取、分类识别、异形纤维计数等步骤的重要保证。本文首先分析总结了粘连图像分割领域中常用的算法原理和特点,分析比较各种算法的优缺点,针对异形粘连纤维图像的特点,指出目前粘连图像分割算法在异形粘连纤维图像分割中的局限性,提出一种基于分水岭算法的异形粘连纤维分割算法。分水岭算法对异形粘连纤维图像的噪声极为敏感,容易产生过多的分割线。为解决这一问题,本文从多尺度的角度出发,采用多尺度三角形面积表示法(Triangle Area Representation, TAR)标记出异形粘连纤维的特征凹点所在处,然后结合分水岭分割线与异形粘连纤维轮廓交界点,采用自适应滑动窗口策略剔除多余的分水岭分割线,实现异形粘连纤维的分割,从而解决分水岭算法过度分割的问题。通过算法分析和实验验证,本文提出的异形粘连纤维图像分割算法结合异形纤维轮廓特征,克服了传统分水岭算法过度分割的现象,能够准确地分割异形粘连纤维,为异形纤维自动识别系统的后续工作提供了可靠的数据。